Profilage des altérations du nombre de copies (CNA) dans les modèles oncologiques précliniques

Les altérations du nombre de copies (CNA) — y compris l'aneuploïdie large, les événements au niveau des bras chromosomiques et les amplifications/délétions focales — sont un moyen pratique de quantifier l'instabilité génomique dans des modèles oncologiques précliniques tels que les lignées cellulaires, les matériaux dérivés de xénogreffes/PDX et les modèles ingénierés. Dans la découverte de médicaments, le profilage des CNA est le plus précieux lorsqu'il est considéré comme un contrôle du cycle de vie du modèle plutôt qu'un "badge de caractérisation" unique. Le paysage du nombre de copies d'un modèle peut évoluer sous la pression de la culture, la sélection clonale, l'historique de passage ou les populations mixtes, modifiant ainsi ce que vous pensez valider (par exemple, si un gène cible est réellement amplifié) et réduisant la comparabilité entre les expériences.

Vous trouverez : des considérations spécifiques au modèle, des résultats et livrables pratiques, une sélection de méthodes (avec des compromis), des cadres d'interprétation (large vs focal), et une section de contrôle qualité/dépannage avec des seuils et des chemins de correction.

1. Pourquoi le profilage CNA est important en oncologie préclinique

1.1 L'instabilité génomique est une caractéristique de nombreux modèles de cancer.

De nombreux modèles oncologiques précliniques présentent une instabilité génomique persistante. Même lorsqu'un modèle est initialement bien caractérisé, le paysage du nombre de copies que vous mesurez à un moment donné peut ne pas correspondre au paysage ultérieur, en particulier après des passages prolongés, des conditions de culture stressantes, des goulots d'étranglement ou des pressions de sélection. En pratique, cela peut se manifester par :

• changements progressifs dans l'aneuploïdie globale et les gains/pertes au niveau des bras
• émergence/disparition de pics focaux
• hétérogénéité accrue (multiples états subclonaux) qui rend l'appel moins stable

Une implication clé pour les équipes de découverte est que la comparabilité entre les expériences dépend de la comparabilité de l'état génomique sous-jacentSi vous effectuez des dépistages, des perturbations ou des tests de mécanisme à travers des lots, vous souhaitez savoir si vous travaillez toujours sur "le même modèle" au niveau du CNA.

1.2 Ce dont les équipes ont besoin : caractérisation de base + suivi longitudinal

Une stratégie CNA solide comporte deux parties :

1. Ligne de baseCaractériser un modèle nouvellement reçu ou nouvellement généré avant qu'il n'entre dans une expérimentation de haute valeur.
2. Suivi longitudinal: re-vérifier à des points de cycle de vie prévisibles (par exemple, après une expansion, après une campagne expérimentale majeure, et avant/après le stockage).

Cela transforme le profilage CNA en un système de qualité pour l'intégrité du modèle, en accord avec le fonctionnement réel des programmes précliniques.

Figure 1. Cycle de vie du modèle pour la surveillance CNA (Base → Vérifications de dérive).
Légende (ce qu'il faut rechercher / décision soutenue) : Utilisez CNA pour créer une empreinte de base à reçu, puis vérifiez à nouveau après post-expansion, post-campagneet pré-banque jalons. Si le paysage CNA diverge au-delà des critères d'acceptation de votre programme, considérez cela comme un potentiel dérive du modèle et suspendez les comparaisons entre les lots jusqu'à ce que la provenance et la stabilité soient confirmées.

1.3 Décisions clés soutenues par le CNA : sélection de modèle, validation de cible, vérifications de dérive

Pour les pistes de découverte, le profilage CNA répond souvent à trois questions cruciales :

A) Sélection de modèle :

• Le modèle présente-t-il le phénotype de nombre de copies attendu dans un modèle contextuel associé à la lignée en oncologie (RUO)?
• Le modèle est-il excessivement instable (bruit/hétérogénéité généralisés) au point que les tests en aval seront difficiles à interpréter ?

B) Validation de la cible :

• Si vous supposez qu'un gène (par exemple, un locus associé à un conducteur) est amplifié, la CNA fournit un soutien au niveau de l'ADN au-delà des preuves basées uniquement sur l'expression.
• CNA aide également à éviter une fausse confiance lorsque l'expression est élevée en raison d'effets régulatoires plutôt que du nombre de copies.

C) Vérifications de dérive :

• Comparez-vous deux résultats expérimentaux provenant de fonds génomiques véritablement comparables ?
• Si les résultats divergent, le modèle a-t-il dérivé en nombre de copies plutôt que (ou en plus de) la biologie que vous aviez l'intention de tester ?

Support de service : Les équipes externalisent souvent le profilage CNA de style WGS à faible passage en tant que pipeline standardisé et rapport pour la caractérisation de base et le suivi des dérives via Flux de travail de séquençage CNV.

Démarrage rapide : Un flux de travail CNA en 5 étapes + Critères d'acceptation

Cette structure "cinq étapes + critères d'acceptation" est conçue pour rendre le profilage CNA opérationnel pour le contrôle du cycle de vie des modèles précliniques.

2. Types de modèles et ce que le CNA peut révéler

Différents types de modèles ont différents modes de défaillance et pièges d'interprétation. Il n'existe pas de "meilleure méthode unique" ; il est donc préférable d'aligner le choix de l'essai et l'interprétation avec la manière dont le modèle est créé et maintenu.

2.1 Lignes cellulaires : sélection clonale et dérive induite par la culture

Les lignées cellulaires peuvent dériver au fil du temps en raison de :

• goulots d'étranglement lors du passage ou du clonage de cellules uniques
• adaptation aux conditions culturelles
• sélection sous pression ou stress composé
• contamination croisée (rare mais catastrophique pour l'interprétation)

Ce que le CNA peut révéler dans les lignées cellulaires

• des motifs d'aneuploïdie larges qui affectent la dose globale
• amplifications (ou délétions) focaux qui peuvent changer avec la sélection
• changements au niveau des segments qui apparaissent entre les fenêtres de passage

Conseil pratique : Traitez le "numéro de passage" et "l'historique de culture" comme des métadonnées de première classe. Un rapport CNA sans information de passage est difficile à utiliser pour des décisions longitudinales.

Si vous avez également besoin d'authentification en plus de la surveillance CNA, exécutez la vérification d'identité basée sur STR en parallèle (en plus de la CNA) en utilisant un dédié. flux de travail d'identification des lignées cellulaires.

2.2 PDX/xénogreffes : considérations sur le mélange et CNAs larges

Les matériaux dérivés de xénogreffes/PDX apportent une complexité supplémentaire :

• mélanges de sous-clones et variations des proportions clonales
• mélange non ciblé variable en fonction du traitement et du matériau source
• signaux de nombre de copies qui peuvent être lissés ou dilués par un mélange

Ce que le CNA peut révéler dans les matériaux de recherche dérivés de xénogreffes/PDX.

• événements robustes au niveau des bras et larges qui persistent à travers le mélange
• changements majeurs dans la dominance clonale au fil du temps
• transitions à grande échelle (par exemple, événements multi-mégabases) qui reflètent des tendances d'instabilité génomique

Avertissement clé : Les populations mixtes peuvent faire apparaître les pics focaux plus petits et moins stables. L'interprétation devrait mettre l'accent sur consistance entre les réplicats/points temporels et éviter une trop grande précision.

2.3 Modèles conçus : confirmation des amplifications/délétions prévues (recherche)

Les modèles ingénierés (par exemple, ceux basés sur des modifications ou des transgènes) nécessitent souvent une CNA pour confirmer :

• événements de gain/perte de nombre de copies prévu
• absence d'événements imprévus à grande échelle introduits lors de l'ingénierie
• stabilité lors de l'expansion et du secteur bancaire

Parce que les modèles conçus peuvent être élaborés pour des loci spécifiques, vous pouvez associer un profilage CNA large avec une confirmation ciblée (en fonction de la conception de l'édition et de la taille de l'événement attendue).

3. Résultats Pratiques : À quoi ressemble un bon rapport CNA

Un rapport CNA n'est utile que dans la mesure où il est livrables et interprétabilitéVoici une liste de contrôle pratique des résultats qui soutient à la fois les équipes de découverte et la réutilisation interne en bioinformatique.

3.1 Paysage des CNA au niveau des chromosomes (aperçu des gains/pertes)

Au minimum, vous souhaitez une vue à l'échelle du génome qui facilite la réponse à :

• où sont les gains/pertes globaux ?
• le motif semble-t-il plausible (non dominé par le bruit) ?
• Y a-t-il des événements évidents au niveau des bras ?

Figure 2. Sortie du paysage CNA à l'échelle du génome (Carte thermique + Segments).
Légende (ce qu'il faut rechercher / décision soutenue) : Utilisez ce format pour comparer. ligne de base vs plus tard Paysages CNA côte à côte et générer un "segments modifiés" sortie (chr/début/fin, état de base → état ultérieur, gènes impactés). Cela soutient directement la surveillance de la dérive et les décisions de comparabilité entre les lots.

3.2 Focus sur le niveau des gènes : amplifications d'oncogènes / pertes de gènes suppresseurs de tumeurs dans les modèles oncologiques

Un rapport solide inclut généralement un tableau axé sur les gènes qui cartographie les segments aux gènes. Pour une utilisation en découverte, la sortie au niveau des gènes doit être formulée comme suit :

• soutenu par des preuves de segment (pas seulement une fluctuation à un seul compartiment)
• contextualisé par les limites de résolution des tests (en particulier à faible couverture)
• accompagné de drapeaux de confiance (par exemple, pic focal contre fond large ; cohérence des répliques)

Si votre plan en aval nécessite une confiance accrue à des loci spécifiques, combinez un dépistage CNA large avec un suivi ciblé sur les loci via séquençage de région ciblée, en gardant le suivi limité à des lieux critiques pour la décision.

3.3 Surveillance de la stabilité : comparer les points dans le temps/les lots

Pour les décisions longitudinales, incluez des comparaisons entre les points temporels :

• ligne de base vs passage ultérieur
• lot A contre lot B
• post-campagne vs stock accumulé

Livrables comparatifs minimums

• un graphique de paysage génomique côte à côte
• un résumé de concordance de segment (par exemple, pourcentage du génome dans un état concordant)
• une liste de "segments changés" (chr/début/fin, ancien état, nouvel état, gènes affectés)

4. Choix de méthodes pour le CNA préclinique

Le choix de la méthode devrait être guidé par taille de l'événement, résolution requise, niveau de mélange, et comment vous utiliserez le résultat (dépistage vs validation de cible vs suivi).

4.1 Pourquoi le WGS passe-bas est couramment utilisé pour le profilage large des CNA

Le séquençage du génome entier à faible profondeur (superficiel) est largement utilisé pour le profilage des CNA car il :

• capture l'ensemble du génome (non biaisé par la sélection des sondes)
• est économique et favorable au débit pour de nombreux échantillons
• fonctionne bien pour large et au niveau du bras Aides-soignants
• produit des lectures longitudinales cohérentes lorsqu'il est standardisé

Les approches WGS superficielles reposent généralement sur :

1. diviser le génome en fenêtres fixes
2. compter les lectures par bin
3. correction pour le biais GC et le biais de mappabilité
4. segmentation pour définir des régions de nombre de copies égal

Un exemple canonique de profilage CNA WGS superficiel et l'importance d'exclure les régions génomiques problématiques est décrit par Scheinin et al. (Genome Research, 2014). (DOI dans les références)

Ressource interne : Un guide pratique sur ce que le séquençage génomique à faible couverture peut résoudre à l'échelle des gènes par rapport à celle des chromosomes (RUO).

4.2 Quand aller plus loin (événements focaux ; réarrangements complexes)

Considérez un séquençage plus approfondi (ou des tests complémentaires) lorsque vous avez besoin de :

• détection fiable de petits événements focaux (particulièrement près de la limite de résolution)
• meilleure discrimination des motifs complexes
• des preuves plus solides pour des conclusions spécifiques au niveau des gènes

Déclencheurs courants pour "aller plus loin" dans les programmes de découverte :

• votre hypothèse principale dépend d'une amplification/délétion focale à un locus
• la mixture/hétérogénéité comprime les signaux et vous avez besoin d'un meilleur rapport signal sur bruit
• vous avez besoin de preuves génétiques plus solides pour les packages de validation de cibles

Un chemin d'escalade pratique est large écran → suivi plus approfondi au niveau requis par votre décision en utilisant séquençage de tout l'exome lorsque la confiance au niveau du locus et un contexte plus large sont tous deux nécessaires.

4.3 Pièges courants : pureté, mosaïcisme, populations mixtes

Trois pièges distordent fréquemment les appels CNA :

Mélange / adjuvant :
Lorsque l'échantillon inclut de l'ADN non ciblé ou des populations mixtes, les variations observées du rapport log2 se compressent vers zéro. Cela peut rendre de véritables CNA plus petits et augmenter l'ambiguïté.

Mosaïcisme / sous-clones :
Plusieurs états subclonaux peuvent produire des signaux intermédiaires qui sont difficiles à qualifier de nombres entiers discrets.

Biais de normalisation :
Le contenu en GC, la cartographie et les artefacts de bibliothèque peuvent créer de fausses vagues qui imitent les CNA.

Les outils et méthodes modélisent explicitement certains de ces facteurs—par exemple, l'ASCAT est souvent cité pour modélisation du nombre de copies spécifique à l'allèle dans des échantillons de recherche dérivés du cancer, y compris les considérations de pureté/ploïdie.

5. Cadre d'interprétation

L'interprétation est l'endroit où les résultats de l'analyse des copies numériques (CNA) deviennent soit un soutien confiant pour la validation des cibles, soit sont surinterprétés. L'objectif est de relier les preuves de CNA à la décision dont vous avez besoin, tout en respectant les limites de résolution et les effets de mélange.

5.1 Confirmation de l'amplification d'un gène cible (ce qui compte comme preuve à l'appui)

Pour la validation des cibles RUO, considérez "l'amplification" comme un revendication nécessitant plusieurs indices de soutien:

Paquet de preuves minimales pour une amplification de gène cible (liste de contrôle pratique)

• le gène réside dans un segment appelé au-dessus de la ligne de base (pas un pic à un seul bin)
• le segment est reproductible à travers les répliques ou cohérent dans une fenêtre de cycle de vie définie
• le locus n'est pas simplement un sous-produit du gain de bras entier à moins que cela ne soutienne toujours votre hypothèse
• le signal est cohérent avec le comportement du modèle attendu et les métadonnées de provenance

Preuves de renforcement optionnelles

• raffinement de locus plus approfondi (si critique pour la décision)
• confirmation orthogonale (par exemple, ddPCR, panel ciblé) dans le contexte RUO
• alignement avec les tendances d'expression (mais ne pas considérer l'expression comme une preuve du nombre de copies)

Si vous souhaitez un contexte au niveau de la transcription en plus de CNA (RUO), effectuez un profilage d'expression en tant qu'essai complémentaire en utilisant RNA-Seqtout en gardant le CNA comme preuve structurelle.

5.2 Distinguer l'aneuploïdie large de l'amplification focale

C'est l'une des interprétations erronées les plus courantes : un gène apparaît "élevé" parce que tout le bras du chromosome est gagné, et non parce qu'il y a un pic focal au niveau du gène.

Logique large vs logique focale

• Gain large (niveau bras) : de nombreux gènes sur le bras se déplacent ensemble ; le profil ressemble à un large plateau.
• Amplification focale : un pic étroit et aigu près d'un locus, souvent s'élevant au-dessus du fond local.

Figure 3. CNA large vs focal (gain sur l'ensemble du bras vs pic focal d'oncogène).
Légende (ce qu'il faut rechercher / décision soutenue) : A plateau à travers une vaste région soutient de grands événements ; un pointe aiguë centré sur un locus soutient la focalité. Dans des populations mixtes, les pics focaux peuvent sembler plus petits car le mélange compresse les rapports log2—il est donc nécessaire d'assurer la cohérence des réplicats et d'éviter de surévaluer les pics à la limite.

Lorsque votre interprétation dépend de la focalité, soyez explicite sur ce que l'essai peut résoudre en fonction de la couverture et des caractéristiques de la bibliothèque choisies. Les algorithmes qui séparent le bruit de fond au niveau des bras des pics focaux (conceptuellement, par exemple, la pensée de style GISTIC) peuvent aider à structurer l'interprétation même lorsque votre pipeline diffère.

5.3 Quand l'ARN soutient l'histoire - et quand il ne le fait pas

L'ARN peut soutenir un récit (par exemple, un nombre de copies accru tend à modifier l'expression), mais il peut aussi induire en erreur :

• l'expression peut être régulée indépendamment du nombre de copies
• des effets de dosage larges peuvent augmenter de nombreux gènes sans amplification focale
• Les effets de lot et les choix de normalisation peuvent fausser les comparaisons.

Utilisez l'ARN comme contexte, pas comme un substitut au CNA. Si vos critères de qualité internes nécessitent des preuves au niveau de l'ADN (courant dans les ensembles de découverte), le profilage CNA est l'essai structurellement approprié.

6. Commencer : Quelles informations fournir

Si vous souhaitez un rapport CNA prêt à la décision (pas seulement un graphique), fournissez suffisamment de métadonnées et de clarté dans la conception afin que le pipeline puisse modéliser correctement votre scénario.

6.1 Métadonnées du modèle : passage, moment, tissu/source

Fournir :

• type de modèle (ligne cellulaire / xénogreffe / dérivé de PDX / ingénierie)
• numéro de passage ou historique d'expansion
• étiquettes de temps (de référence vs plus tard)
• notes de traitement (par exemple, colonie unique vs expansion en vrac)
• toute événement attendu connu (par exemple, gain suspecté au niveau des bras)

6.2 Conception de comparaison : exposition de référence vs exposition composite / perturbation vs surveillance de la dérive

Définir explicitement l'objectif de comparaison :

• Caractérisation de référence : empreinte digitale unique pour un nouveau point d'entrée de modèle
• Surveillance de la dérive : ligne de base vs passages ou lots ultérieurs
• Contexte d'étude : si une exposition / perturbation composée est impliquée, gardez la surveillance CNA concentrée sur la question de savoir si le contexte génomique est resté suffisamment stable pour interpréter les phénotypes en aval.

Pour les conceptions longitudinales avec de nombreux échantillons, les analyses génomiques complètes et larges sont souvent la pierre angulaire—configurées comme des profils de profondeur de type WGS peu profonds pour les paysages de CNA en utilisant séquençage du génome entier (configuré pour répondre aux besoins de surveillance RUO CNA).

6.3 Livrables souhaités : segments + liste de gènes + fichiers bruts pour réutilisation interne

Demandez des livrables sous forme de package qui favorise la réutilisation :

• Intrigues : paysage à l'échelle du génome ; profil par chromosome ; zooms sur des régions focales (si pertinent)
• Tables : table des segments ; résumé des CNA au niveau des gènes avec notes de confiance
• Fichiers à réutiliser : comptages binés ; rapports log2 normalisés ; paramètres de segmentation ; version du génome de référence ; régions blacklistées/filtrées ; versions des logiciels
• Reproductibilité : un manifeste d'exécution (entrées, paramètres, versions des outils) afin que les équipes internes puissent relancer ou comparer dans le temps

Ressource interne : Terminologie et bases des méthodes CNV/CNA.

Cadre de Décision : Choisir la Bonne Stratégie CNA

Utilisez cette liste de contrôle pour faire correspondre la profondeur d'analyse et de rapport à votre décision de découverte.

Quand le profilage CNA WGS à basse fréquence est un bon choix

• Vous avez besoin paysages CNA à large échelle/niveau de bras à travers de nombreux échantillons
• Votre objectif est surveillance de la ligne de base et de la dérive
• Vous pouvez accepter que les conclusions au niveau des gènes peuvent être limitées à des événements focaux plus importants.
• Vous privilégiez le débit et la cohérence longitudinale.

Une mise en œuvre courante est le style "skim" d'échantillonnage génomique superficiel pour les paysages de CNA à grande échelle via séquençage par survol.

Quand vous devriez envisager des tests plus approfondis ou complémentaires.

• Votre hypothèse principale dépend de petit foyer événements à un locus près de la limite de résolution
• La mixture/hétérogénéité comprime les signaux et vous avez besoin de plus de confiance.
• Vous avez besoin de preuves génétiques plus solides pour les packages de validation des cibles.

Pour l'intégration au niveau de l'exome dans les modèles de recherche humain/souris, envisagez un séquençage ADN plus approfondi avec séquençage de l'exome complet humain/souris.

Quand les approches basées sur des tableaux ont encore du sens

Les tableaux peuvent encore être utiles lorsque :

• vous avez besoin d'un dépistage rapide avec des ensembles de sondes standardisées
• vous avez des comparateurs hérités dans des tableaux
• votre programme repose déjà sur des signatures CNA basées sur des tableaux

Dans ces cas, des flux de travail CNA basés sur des tableaux peuvent être exécutés en parallèle avec des approches basées sur le séquençage lorsque la comparabilité est gérée avec soin, comme un Service de microarray CGH ou un microarray SNP.

QC et Dépannage (Seuils Actionnables + Chemins de Réparation)

Voici des points de contrôle QC pratiques qui aident à garantir que les appels CNA sont interprétables et comparables au fil du temps. Les seuils sont présentés comme plages pratiquesLes seuils finaux doivent être validés dans le contexte de votre modèle, la version de la pipeline et la couverture.

A) QC pré-analytiques et de bibliothèque (apprentissage en laboratoire humide)

Cibles QC pratiques (opérations RUO typiques)

• Intégrité de l'ADN : éviter autant que possible l'ADN sévèrement fragmenté ; une forte dégradation augmente le biais de couverture et les artefacts de segmentation
• Consistance des entrées : maintenir la cohérence des entrées à travers des lots longitudinaux (la variabilité des entrées peut imiter un dérive)
• Complexité de la bibliothèque : éviter la sur-amplification qui augmente les doublons et les "vagues"
• Cohérence des lots : maintenir les kits de bibliothèque, les opérateurs et les versions de SOP stables à travers les points temporels du cycle de vie

Si vous externalisez le flux de travail de bout en bout, demandez des notes de configuration explicites pour le "profilage CNA de style WGS superficiel" et des critères de contrôle qualité dans le manifeste de course (souvent mis en œuvre selon un standardisé Service de séquençage CNV).

B) Signaux de QC en bioinformatique qui corrèlent avec la fiabilité des appels

• artéfacts de vague GC à travers les régions riches en GC (suggère une correction GC incomplète ou un biais de bibliothèque)
• Haute variance locale dans des bacs adjacents (signal de profondeur bruité)
• Instabilité de segment : la segmentation change radicalement avec de légers ajustements de paramètres
• Base de référence neutre incohérente : régions "neutres" éloignées de la ligne de base attendue

Les pipelines CNA en WGS peu profond s'appuient généralement sur une normalisation robuste et l'exclusion de régions génomiques problématiques ; ces éléments de conception sont mis en avant dans la littérature sur le CNA en WGS peu profond. (DOI dans les références)

C) Tableau de dépannage : symptôme → cause probable → vérifier → réparer

FAQ

1) À quelle fréquence devrions-nous vérifier à nouveau le CNA dans une lignée cellulaire ?

Un modèle pratique est : ligne de base à la réception, après l'expansion initiale, après une grande campagne expérimentale, et avant la banqueL'objectif est la comparabilité longitudinale et la détection précoce des dérives, et non une caractérisation ponctuelle.

2) Qu'est-ce qui compte comme "preuve" qu'un gène cible est amplifié ?

Au minimum : le gène se situe à l'intérieur d'un segment appelé au-dessus de la ligne de base, et l'événement est reproductible/consistant dans une fenêtre de cycle de vie définie. Renforcez les preuves en confirmant la focalité (pas seulement le gain au niveau du bras) et en passant à un raffinement plus approfondi ou ciblé lorsque la décision dépend de la précision au niveau du gène.

3) Pourquoi l'inférence basée sur l'ARN peut-elle être en désaccord avec l'ADN CNA ?

L'expression est influencée par la régulation, le rétrocontrôle et les effets de dosage globaux ; elle peut s'aligner avec le nombre de copies mais ne constitue pas une preuve. Utilisez le CNA comme preuve structurelle et l'ARN comme contexte de soutien.

4) Nous observons un gain large sur un bras de chromosome—pouvons-nous affirmer que le gène cible est amplifié ?

Vous pouvez dire que le gène se trouve dans une région de nombre de copies augmenté, mais évitez d'impliquer une amplification focale à moins que le profil ne soutienne un pic focal. Les événements larges peuvent élever simultanément de nombreux gènes, ce qui est important pour des récits spécifiques à des cibles.

5) Comment les populations mixtes affectent-elles les appels CNA dans les matériaux dérivés de xénogreffes/PDX ?

Le mélange compresse les décalages de ratio log2 et peut flouter les pics focaux. L'interprétation doit mettre l'accent sur les événements robustes, la cohérence de la réplication et, si nécessaire, la modélisation tenant compte des allèles.

6) Quels sont les livrables "indispensables" pour une réutilisation longitudinale ?

Graphiques (à l'échelle du génome + par chromosome), tableau des segments, résumé au niveau des gènes avec notes de confiance, fichiers réutilisables (comptages regroupés, ratios normalisés, paramètres, versions) et une liste de "segments changés" pour les comparaisons entre la ligne de base et les périodes ultérieures.

7) Devons-nous utiliser des tableaux ou une séquence pour la surveillance CNA ?

Le séquençage (en particulier le séquençage WGS peu profond) est souvent préféré pour la cohérence et l'évolutivité à l'échelle du génome, mais les puces peuvent être valables lorsque vous avez besoin de continuité avec des comparateurs de puces hérités. Décidez en fonction des besoins en taille d'événement, de débit et de gouvernance de comparabilité.

8) Quelles méthodes sont couramment citées pour l'analyse CNA ?

ASCAT est largement référencé pour le modélisation spécifique des allèles et la réflexion sur la pureté/ploidie dans les échantillons de recherche dérivés du cancer. (DOI dans les références)
Control-FREEC est une référence classique pour l'appel de CN et le contenu allèlique avec correction GC/mappabilité. (DOI dans les références)
CNVkit est souvent cité pour le nombre de copies dans des contextes de séquençage ciblé. (DOI dans les références)

Références

1. Scheinin I, Sie D, Bengtsson H, et al. Analyse du nombre de copies d'ADN d'échantillons frais et fixés au formol par séquençage génomique complet peu profond avec identification et exclusion des régions problématiques dans l'assemblage du génome. Recherche sur le génome (2014). Je suis désolé, mais je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
2. Van Loo P, Nordgard SH, Lingjærde OC, et al. Analyse du nombre de copies spécifique à l'allèle des tumeurs. PNAS (2010). Désolé, je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
3. Boeva V, Popova T, Bleakley K, et al. Control-FREEC : un outil pour évaluer le nombre de copies et le contenu allélique en utilisant des données de séquençage de nouvelle génération. Bioinformatique (2012). Désolé, je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici.
4. Mermel CH, Schumacher SE, Hill B, et al. GISTIC2.0 facilite la localisation sensible et confiante des cibles des altérations du nombre de copies somatiques focales dans les cancers humains. Génome Biologie (2011). Désolé, je ne peux pas accéder à des liens externes. Veuillez fournir le texte que vous souhaitez traduire.
5. Talevich E, Shain AH, Botton T, Bastian BC. CNVkit : Détection et visualisation des variations du nombre de copies à l'échelle du génome à partir du séquençage ADN ciblé. PLOS Biologie Computationnelle (2016). Désolé, je ne peux pas accéder à des liens externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir et je serai heureux de vous aider.
6. Beroukhim R, Mermel CH, Porter D, et al. Le paysage des altérations du nombre de copies somatiques dans les cancers humains. Nature (2010). Je suis désolé, mais je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique à traduire, veuillez le fournir ici et je serai heureux de vous aider.